基于深度学习的车辆位置预测方法技术

本发明专利技术提供了一种基于深度学习的车辆位置预测方法，该方法包括：S1、获取原始VLPR数据集，对原始VLPR数据集进行清洗和去噪，获得VLPR数据集，按设定时间段对VLPR数据集分组；S2、从VLPR数据集中，提取同一车辆的过车记录，生成车辆轨迹数据集并筛选出符合需求的轨迹，对轨迹的相关特征信息进行数据转换；S3、对获取到的车辆轨迹特征，建立基于深度学习的算法模型，实现对轨迹特征的分析和学习；S4、在经过对车辆轨迹的特征学习之后，使用全连接网络层结合Softmax分类器输出下一位置向量；之后匹配真实地理位置信息，在可视化平台上输出，继而实现车辆位置预测。本发明专利技术提出的方法通过分析路网的运行特性，利用车辆行驶过程中的轨迹特征，能够取得较高的预测精度。

Vehicle location prediction method based on depth learning

The present invention provides a method of vehicle location prediction based on depth learning. The method includes: S1, obtaining the original VLPR data set, cleaning and denoising the original VLPR data set, obtaining the VLPR data set, grouping the VLPR data sets at the set time period, and extracting the traffic records of the same vehicle from the VLPR data set. The vehicle trajectory data set is generated and the tracks that meet the requirements are screened, and the related feature information of the trajectory is converted. S3, the algorithm model based on the depth learning is established for the acquired vehicle trajectory characteristics, and the trajectory characteristics are analyzed and learned. S4, after learning the characteristics of the vehicle trajectory, use it. The full connected network layer outputs the next position vector with the Softmax classifier; then matches the real location information, outputs on the visual platform, and then realizes the vehicle location prediction. The method proposed by this invention can obtain higher prediction accuracy by analyzing the operation characteristics of the road network and utilizing the trajectory characteristics of the vehicle during driving.

【技术实现步骤摘要】
基于深度学习的车辆位置预测方法
本专利技术涉及智能交通系统领域，特别说明一种基于深度学习的车辆位置预测方法。
技术介绍
城市的快速发展一方面导致了机动车车辆数成几何式快速增长，另一方面，为交通拥堵缓解、违法车辆缉查布控等城市管理工作带来巨大挑战。因此，车辆位置的精准预测对于城市交通安全具有重要意义，是全球共同关注的问题。如果能够准确地预测车辆的动态位置，那么交管部门就能够合理安排警力来缉查违法车辆，并提醒公众有选择性地绕开拥堵区域，从而降低安全隐患。鉴于车辆位置预测问题的重要性，人们对此做了大量的研究工作。较早期的预测模型有包括：可变阶马尔科夫模型、概率后缀树(PST)算法、T模式树算法、隐马尔科夫模型(HMM)、自回归积分滑动平均模型(ARIMA)等。这些模型主要以数理统计方法为基础研究车辆轨迹的时空规律，分析移动对象的运动模式，发现轨迹中的频繁模式，并且集中于使用一个用户或群体用户的历史轨迹信息解决位置预测问题。近年来随着机器学习尤其是深度学习技术的发展，出现了大量以人工智能为基础的模型，如BP神经网络模型、栈式自编码模型(SAE)、卷积神经网络模型(CNN)、递归神经网路模型(RNN)等。这些模型借助于机器学习强大的学习能力，能够取得较好的预测精度。现有方法或专利技术的缺陷：第一，现有方法主要依据单用户模式，对于冷启动问题难以解决，难以解决多用户轨迹丰富的预测。第二，现有方法依赖于GPS信息等连续数据，对于离散的、语义信息缺失、不完整数据难以获取车辆轨迹。第三，现有方法尚未有效考虑天气、早晚高峰规律等情境因素对位置预测的重要影响。
技术实现思路
本专利技术的目的在于克服上述现有技术的不足，提供一种基于深度学习的车辆位置预测方法。为实现上述目的，本专利技术采用以下技术方案：一种基于深度学习的车辆位置预测方法，包括以下步骤：S1、数据采集：获取原始VLPR数据集，对原始VLPR数据集进行清洗和去噪，按设定时间段对清洗后的数据集分组，获得VLPR数据集；S2、数据处理：从VLPR数据集中，提取同一车辆的过车记录，根据时间顺序，生成车辆轨迹数据集，从车辆轨迹数据集中筛选出符合需求的轨迹，并对轨迹的相关特征信息进行数据转换；S3、模型构建和特征学习：对获取到的车辆轨迹特征，建立基于深度学习的算法模型，实现对轨迹特征的分析和学习；S4、车辆位置预测输出：在经过对车辆轨迹的特征学习之后，使用全连接网络层结合Softmax分类器输出下一位置向量；之后匹配真实地理位置信息，在可视化平台上输出，继而实现车辆位置预测。进一步地，步骤S1具体包括以下步骤：S11、从服务器数据库中获取过车记录，对不符合车牌格式的过车记录予以删除，生成原始VLPR数据集；S12、在原始VLPR数据集中提取涉及到车辆轨迹中的关键字段，更新原始VLPR数据集；S13、根据车辆轨迹规律的周期性变化，设置时间段对更新后的原始VLPR数据集进行分组，获得VLPR数据集。进一步地，步骤S12中所述的字段包括VLPR编号、VLPR类型、经纬度、行驶方向、车牌号、车牌颜色、车道号及车辆经过时间。进一步地，步骤S2具体包括以下步骤：S21、依据关键字段车牌号生成车辆轨迹，轨迹序列如下所示：Tra＝{loc1，loc2，...，loci，...，locn}，1≤i≤n，其中，车辆轨迹为按时间先后排序的离散空间点，loci为车辆轨迹中第i个VLPR的空间位置坐标点；S22、车辆轨迹过滤，对于轨迹中前后重复的位置信息给予删除，之后排除不可预测车辆，定义轨迹长度少于3的车辆为不可预测车辆；S23、格式定义：在特定时间区间内，结合VLPR设备的实际所处地理位置，形成车辆的轨迹数据，则有：b1，b2，...，bi，...，bn，1≤i≤n，其为VLPR设备地址序列；t1，t2，...，ti，...tn，1≤i≤n，其为车辆轨迹中车辆经过VLPR设备的时间序列；d1，d2，...，di，...，dn，1≤i≤n，其为车辆轨迹中车辆经过VLPR设备的方向序列；f1，f2，...，fi...，fn，1≤i≤n，其为车辆轨迹中经过VLPR设备时属于该车辆轨迹的该时段内的交通流序列；S24、空间特征提取：利用所有车辆轨迹在路网中形成的位置信息产生位置信息库，通过对位置库的神经网络处理，提取各个位置之间的空间特征；S25、时间特征提取：将一天中的24小时，划分为若干个时间段，将车辆通过VLPR设备的时间转换为该时间段的编号；S26、其他特征提取：按照车辆经过该设备的时间，使用步骤S25中对时间段的编号，对该时间段内的车辆流量进行统计，作为此时短期交通流的特征；根据车辆经过的VLPR设备的方向来确定方向特征；S27、对轨迹特征序列进行填充，使其全体样本变成固定长度的序列。进一步地，步骤S22中所述车辆轨迹的位置信息，基于谷歌的Word2Vec词向量转换原理，建立Loc2Vec模型，将轨迹序列中的每个VLPR设备编号映射到一个新的向量空间中，并以多维的连续实数向量进行表示。进一步地，步骤S24中，通过对位置信息库进行Loc2Vec神经网络学习，得到空间位置的向量空间，之后对于空间位置序列中的每个位置进行替换，替换为向量空间中的连续向量，获得各个位置之间的空间特征。进一步地，步骤S25中的时间段为288个。进一步地，步骤S3具体包括以下步骤：S31、利用嵌入层把车辆轨迹中相关的时间、方向转换为嵌入空间中的特征向量，之后与轨迹的空间位置特征进行融合，运用多重CNN的神经元对这些特征进行提取；S32、设置整个输入的车辆轨迹序列的长度为n，若不满足则填充，超过则截断序列前面的位置，则轨迹序列可被表达为：其中，代表轨迹序列中第i个单元在位置嵌入的向量空间中的向量表示，这里的k代表空间维度，符号为连接运算符，在卷积神经网络中通过设置不同尺寸的卷积核与输入序列按照某一方向进行卷积操作，同时附加偏置项，利用激活函数输出轨迹序列的特征，则有：ci＝f(w·xi：i+h-1+b)；式中，w代表一个卷积核，h表示一个滑动窗口中包含的轨迹序列单元的个数，b代表一个偏置项，f为一个非线性函数，在特征序列中应用这个卷积核，则对于序列：{x1：h，x2：h+1，…，xn-h+1：n}，可以产生新的特征映射：S33、设置屏蔽层，去除车辆轨迹序列中的填充值，使其符合车辆轨迹原有的变长序列；S34、使用长短期记忆网络LSTM对变长序列进行处理，获得最终的位置向量特征。进一步地，步骤S4中通过激活函数Softmax对全连接输出层进行处理，输出车辆轨迹预测的下一位置；其中，全连接层实现的基本运算是：output＝activation(dot(input，kernel)+bias)，式中，activation是逐元素计算的激活函数，kernel是本层的权值矩阵，bias为偏置向量，input为经过双向LSTM输出的特征向量；激活函数Softmax的公式为：其中代表最后一层第i个神经元的输入，是最后一层第i个神经元的输出，e表示自然常数e，最后表示最后一层所有神经元的输入之和。采用上述技术方案后，本专利技术与
技术介绍
相比，具有如下优点：可实现多用户轨迹的预测，同时，对于离散的、语义信息缺失、不完整数据的数据亦能够实现轨迹预测，并提高预测本文档来自技高网...

【技术保护点】
一种基于深度学习的车辆位置预测方法，其特征在于，包括以下步骤：S1、数据采集：获取原始VLPR数据集，对原始VLPR数据集进行清洗和去噪，按设定时间段对清洗后的数据集分组，获得VLPR数据集；S2、数据处理：从VLPR数据集中，提取同一车辆的过车记录，根据时间顺序，生成车辆轨迹数据集，从车辆轨迹数据集中筛选出符合需求的轨迹，并对轨迹的相关特征信息进行数据转换；S3、模型构建和特征学习：对获取到的车辆轨迹特征，建立基于深度学习的算法模型，实现对轨迹特征的分析和学习；S4、车辆位置预测输出：在经过对车辆轨迹的特征学习之后，使用全连接网络层结合Softmax分类器输出下一位置向量；之后匹配真实地理位置信息，在可视化平台上输出，继而实现车辆位置预测。

【技术特征摘要】
1.一种基于深度学习的车辆位置预测方法，其特征在于，包括以下步骤：S1、数据采集：获取原始VLPR数据集，对原始VLPR数据集进行清洗和去噪，按设定时间段对清洗后的数据集分组，获得VLPR数据集；S2、数据处理：从VLPR数据集中，提取同一车辆的过车记录，根据时间顺序，生成车辆轨迹数据集，从车辆轨迹数据集中筛选出符合需求的轨迹，并对轨迹的相关特征信息进行数据转换；S3、模型构建和特征学习：对获取到的车辆轨迹特征，建立基于深度学习的算法模型，实现对轨迹特征的分析和学习；S4、车辆位置预测输出：在经过对车辆轨迹的特征学习之后，使用全连接网络层结合Softmax分类器输出下一位置向量；之后匹配真实地理位置信息，在可视化平台上输出，继而实现车辆位置预测。2.根据权利要求1所述的基于深度学习的车辆位置预测方法，其特征在于：步骤S1具体包括以下步骤：S11、从服务器数据库中获取过车记录，对不符合车牌格式的过车记录予以删除，生成原始VLPR数据集；S12、在原始VLPR数据集中提取涉及到车辆轨迹中的关键字段，更新原始VLPR数据集；S13、根据车辆轨迹规律的周期性变化，设置时间段对更新后的原始VLPR数据集进行分组，获得VLPR数据集。3.根据权利要求2所述的基于深度学习的车辆位置预测方法，其特征在于：步骤S12中所述的关键字段包括VLPR编号、VLPR类型、经纬度、行驶方向、车牌号、车牌颜色、车道号及车辆经过时间。4.根据权利要求1所述的基于深度学习的车辆位置预测方法，其特征在于，步骤S2具体包括以下步骤：S21、依据关键字段车牌号生成车辆轨迹，轨迹序列如下所示：Tra＝{loc1，loc2，...，loci，...，locn}，1≤i≤n，其中，车辆轨迹为按时间先后排序的离散空间点，loci为车辆轨迹中第i个VLPR的空间位置坐标点；S22、车辆轨迹过滤，对于轨迹中前后重复的位置信息给予删除，之后排除不可预测车辆，定义轨迹长度少于3的车辆为不可预测车辆；S23、格式定义：在特定时间区间内，结合VLPR设备的实际所处地理位置，形成车辆的轨迹数据，则有：b1，b2，...，bi，...，bn，1≤i≤n，其为VLPR设备地址序列；t1，t2，...，ti，...tn，1≤i≤n，其为车辆轨迹中车辆经过VLPR设备的时间序列；d1，d2，...，di，...，dn，1≤i≤n，其为车辆轨迹中车辆经过VLPR设备的方向序列；f1，f2，...，fi...，fn，1≤i≤n，其为车辆轨迹中经过VLPR设备时属于该车辆轨迹的该时段内的交通流序列；S24、空间特征提取：利用所有车辆轨迹在路网中形成的位置信息产生位置信息库，通过对位置库的神经网络处理，提取各个位置之间的空间特征；S25、时间特征提取：将一天中的24小时，划分为若干个时间段，将车辆通过VLPR设备的时间转换为该时间段的编号；S26、其他特征提取：按照车辆经过该设备的时间，使用步骤S25中对时间段的编号，对该时间段内的车辆流量进行统计，作为此时短期交通流的特征；根据车辆经过的VLPR设备的方向来确定方向特征，通过将方向角度分...

【专利技术属性】
技术研发人员：范晓亮，郭磊，韩宁，王玉杰，史佳，
申请(专利权)人：兰州大学，
类型：发明
国别省市：甘肃,62